圖2 sEMG的解析和數(shù)值模型示例，包括平面和圓柱體解析模型以及基于MRI的數(shù)值模型，涵蓋了從1947年到2023年的多個研究。

sEMG信號處理進展
信號處理領(lǐng)域在過去幾十年中取得了顯著進展，尤其是sEMG分解技術(shù)的發(fā)展。自2014年以來，sEMG分解算法在多種復(fù)雜條件下得到了廣泛驗證，包括快速收縮和高同步性運動單位的誘發(fā)收縮。這些驗證不僅證明了分解技術(shù)的有效性，還揭示了其在不同肌肉解剖結(jié)構(gòu)中的適用性（圖3）。盡管仍存在一些局限性，如對深層和小肌肉運動單位的解碼困難，但sEMG分解已成為研究人類運動單位活動的有效工具。近年來，sEMG分解技術(shù)取得了顯著進展，包括跨會話追蹤運動單位、增加識別的運動單位數(shù)量、在動態(tài)收縮中的應(yīng)用以及實時信號分解的實現(xiàn)�；�于盲源分離算法的實時分解技術(shù)，能夠在幾十毫秒內(nèi)完成信號分解，該方案成為神經(jīng)接口（如假肢控制）的核心組成部分。隨著神經(jīng)網(wǎng)絡(luò)等新技術(shù)的應(yīng)用，sEMG分解的準(zhǔn)確性和魯棒性有望進一步提高，推動其在臨床和研究中的更廣泛應(yīng)用。

圖3 通過HD-sEMG記錄的脛骨前肌在不同目標(biāo)力量下的運動單位放電率編碼，追蹤了187個運動單位在不同收縮力下的活動，并通過自然對數(shù)函數(shù)擬合了運動單位放電率與力量之間的關(guān)系，揭示了運動神經(jīng)元的輸入-輸出特性。

圖4 基于人工智能增強的肌電分解方法，通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)預(yù)測運動單位活動、識別分解中的誤判，并補償信號非平穩(wěn)性，提升了肌電分解的準(zhǔn)確性和魯棒性。

圖5 通過袖套電極陣列記錄脊髓損傷患者前臂肌肉的sEMG信號，盡管患者無可見運動，但仍能檢測到肌電信號并分解出單個運動單位活動，揭示了運動神經(jīng)元放電與手部任務(wù)意圖的關(guān)聯(lián)。

通過在線估計單個運動單位的放電時間，研究人員開發(fā)了基于肌肉神經(jīng)驅(qū)動的高級生物反饋系統(tǒng)。由于接收共同輸入的運動神經(jīng)元群體具有線性輸出特性，可以從sEMG解碼運動神經(jīng)元的輸出（即對肌肉神經(jīng)驅(qū)動的估計），進一步估計相應(yīng)的共同輸入信號。這些生物反饋系統(tǒng)已用于證明中樞神經(jīng)系統(tǒng)無法獨立控制單個運動神經(jīng)元，而是將共同突觸輸入分配給一組運動神經(jīng)元。此外，皮質(zhì)振蕩活動（如β波和γ波）也通過共同投射傳遞到運動神經(jīng)元群體，影響肌肉力的產(chǎn)生。下圖展示了一個模擬示例（圖6），表明可以從運動神經(jīng)元群體的輸出中提取不同頻率的輸入信號。盡管與振蕩活動的接口在治療性生物反饋和人類增強方面具有潛在應(yīng)用，但目前的結(jié)果仍處于初步階段，存在諸多挑戰(zhàn)。令人欣喜的是，sEMG在神經(jīng)接口中的應(yīng)用在過去十年中引起了廣泛關(guān)注，其中不乏知名科技公司也積極參與其中。

圖6 通過模擬177個運動神經(jīng)元接收共同輸入和獨立輸入的解碼過程，揭示了運動神經(jīng)元群體對振蕩性輸入的線性響應(yīng)，并通過濾波重建了輸入信號的頻率成分。

總結(jié)與展望
在過去20年中，sEMG在神經(jīng)控制策略的研究中取得了顯著進展，但仍存在一些挑戰(zhàn)。如sEMG在臨床神經(jīng)生理學(xué)中的應(yīng)用尚未標(biāo)準(zhǔn)化，傳統(tǒng)的侵入性EMG（如，同心針電極）仍然是診斷神經(jīng)肌肉疾病的主要方法。sEMG信號的濾波效應(yīng)使得一些臨床相關(guān)特征難以檢測，因此將其轉(zhuǎn)化為常規(guī)臨床評估和監(jiān)測工具仍是一個關(guān)鍵挑戰(zhàn)。此外，盡管sEMG在運動醫(yī)學(xué)、神經(jīng)康復(fù)和職業(yè)醫(yī)學(xué)等領(lǐng)域有廣泛應(yīng)用，但其臨床轉(zhuǎn)化和采用仍然有限，部分原因是技術(shù)復(fù)雜性和缺乏廣泛的教育與推廣。未來，隨著技術(shù)的進一步發(fā)展和標(biāo)準(zhǔn)化，sEMG將成為研究神經(jīng)肌肉控制不可或缺的工具，并在臨床醫(yī)學(xué)中實現(xiàn)更廣泛的應(yīng)用，這一技術(shù)的潛力無疑將在未來的科研和臨床實踐中得到進一步挖掘。

參考文獻
D. Farina, R. Merletti, and R. M. Enoka, “The extraction of neural strategies from the surface EMG: 2004–2024,” J. Appl. Physiol., vol. 138, no. 1, pp. 121–135, Jan. 2025, doi: 10.1152/japplphysiol.00453.2024.

關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進的技術(shù)和服務(wù)帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。

相關(guān)產(chǎn)品